欧式聚类提取，cluster_indices 一直为0，求解决方法

timlee

用示例数据能正常分割提取，但是用自己的的数据cluster_indices 一直为0


int
main (int argc, char** argv)
{
  // Read in the cloud data
  pcl::PCDReader reader;
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>), cloud_f (new pcl::PointCloud<pcl::PointXYZ>);
  reader.read ("cut.pcd", *cloud);
  std::cout << "PointCloud before filtering has: " << cloud->points.size () << " data points." << std::endl; //*

  // Create the filtering object: downsample the dataset using a leaf size of 1cm
  pcl::VoxelGrid<pcl::PointXYZ> vg;
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);
  vg.setInputCloud (cloud);
  vg.setLeafSize (0.1f, 0.1f, 0.1f);
  vg.filter (*cloud_filtered);
  std::cout << "PointCloud after filtering has: " << cloud_filtered->points.size ()  << " data points." << std::endl; //*

  // Create the segmentation object for the planar model and set all the parameters
  pcl::SACSegmentation<pcl::PointXYZ> seg;
  pcl::PointIndices::Ptr inliers (new pcl::PointIndices);
  pcl::ModelCoefficients::Ptr coefficients (new pcl::ModelCoefficients);
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_plane (new pcl::PointCloud<pcl::PointXYZ> ());
  pcl::PCDWriter writer;
  seg.setOptimizeCoefficients (true);
  seg.setModelType (pcl::SACMODEL_PLANE);
  seg.setMethodType (pcl::SAC_RANSAC);
  seg.setMaxIterations (100);
  seg.setDistanceThreshold (0.02);

  int i=0, nr_points = (int) cloud_filtered->points.size ();
  while (cloud_filtered->points.size() > 0.9 * nr_points)             //have ben modified from 0.3 to 0.8
  {
    // Segment the largest planar component from the remaining cloud
    seg.setInputCloud (cloud_filtered);
    seg.segment (*inliers, *coefficients);
    if (inliers->indices.size () == 0)
    {
      std::cout << "Could not estimate a planar model for the given dataset." << std::endl;
      break;
    }

    // Extract the planar inliers from the input cloud
    pcl::ExtractIndices<pcl::PointXYZ> extract;
    extract.setInputCloud (cloud_filtered);
    extract.setIndices (inliers);
    extract.setNegative (false);

    // Write the planar inliers to disk
    extract.filter (*cloud_plane);
    std::cout << "PointCloud representing the planar component: " << cloud_plane->points.size () << " data points." << std::endl;

    // Remove the planar inliers, extract the rest
    extract.setNegative (true);
    extract.filter (*cloud_f);              
    *cloud_filtered = *cloud_f;
  }

  // Creating the KdTree object for the search method of the extraction
  pcl::search::KdTree<pcl::PointXYZ>::Ptr tree (new pcl::search::KdTree<pcl::PointXYZ>);
  tree->setInputCloud (cloud_filtered);

  std::vector<pcl::PointIndices> cluster_indices;
  pcl::EuclideanClusterExtraction<pcl::PointXYZ> ec;
  ec.setClusterTolerance (0.02); // 2cm
  ec.setMinClusterSize (50);
  ec.setMaxClusterSize (46000);
  ec.setSearchMethod (tree);
  ec.setInputCloud (cloud_filtered);
  ec.extract (cluster_indices);               //这里一直为0，下面的循环就直接跳过，无法提取出分割后的PCD

  int j = 0;
  for (std::vector<pcl::PointIndices>::const_iterator it = cluster_indices.begin (); it != cluster_indices.end (); ++it)
  {
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_cluster (new pcl::PointCloud<pcl::PointXYZ>);
    for (std::vector<int>::const_iterator pit = it->indices.begin (); pit != it->indices.end (); pit++)
      cloud_cluster->points.push_back (cloud_filtered->points[*pit]); //*
    cloud_cluster->width = cloud_cluster->points.size ();
    cloud_cluster->height = 1;
    cloud_cluster->is_dense = true;

    std::cout << "PointCloud representing the Cluster: " << cloud_cluster->points.size () << " data points." << std::endl;
    std::stringstream ss;
    ss << "cloud_cluster_" << j << ".pcd";
    writer.write<pcl::PointXYZ> (ss.str (), *cloud_cluster, false); //*
    j++;

    pcl::visualization::PCLVisualizer viewer("Cloud Viewer"); //窗口显示第pit个聚类
    //pcl::visualization::PointCloudColorHandlerRGBField<pcl::PointXYZRGBA> color(cloud_cluster); //显示点云RGB信息
    viewer.addPointCloud(cloud_cluster);
    viewer.setBackgroundColor(1,1,1);

    while (!viewer.wasStopped ())
    {
     viewer.spinOnce();
    }
  }

  return (0);
}







求大神指点啊！谢谢。

mypcl

你能可视化下你去除平面后的点数据吗，不会都成很小的离散区域了吧，或40改成1，确认逻辑上没错啊。

mypcl

你能可视化下你去除平面后的点数据吗，不会都成很小的离散区域了吧，或40改成1，确认逻辑上没错啊。

timlee

mypcl 发表于 2014-3-13 11:30
你能可视化下你去除平面后的点数据吗，不会都成很小的离散区域了吧，或40改成1，确认逻辑上没错啊。 ...

呀，真的成了离散点。。谢谢。我想把房屋面单独提取出来，请问这个能实现吗？刚接触点云，白纸一张，求指教，谢谢。

timlee

mypcl 发表于 2014-3-13 11:30
你能可视化下你去除平面后的点数据吗，不会都成很小的离散区域了吧，或40改成1，确认逻辑上没错啊。 ...

去平面后的点云能显示，就是欧式距离提取那块提取不了，把 ec.setMinClusterSize (50)，50改成1就可以。

mypcl

timlee 发表于 2014-3-13 22:30
呀，真的成了离散点。。谢谢。我想把房屋面单独提取出来，请问这个能实现吗？刚接触点云，白纸一张，求指 ...

你把去除后的数据图片贴下，主要是看数据了，如果比较均匀的话，你设置聚类的距离大点，应该可以吧。主要看数据了。如果数据不是比较均匀的话，你可能需要想想其他算法了。

mypcl

timlee 发表于 2014-3-13 22:30
呀，真的成了离散点。。谢谢。我想把房屋面单独提取出来，请问这个能实现吗？刚接触点云，白纸一张，求指 ...

你的数据看的不是太清楚，如果房屋的特征等比较明显，应该分割出来没问题吧，只是算法找合适就行了